[发明专利]基于注意力机制和图卷积神经网络的晶体性质预测方法

说明书

本发明公开了一种基于注意力机制和晶体图卷神经网络的晶体性质预测和分类方法，包括：获取晶体的晶体学信息文件和DFT计算数据，并将其分为训练集、验证集和测试集；从晶体学信息文件中，提取晶体特征，将晶体特征输入神经网络，获取到神经网络输出；采用训练集和验证集分别对构建好的神经网络模型进行训练和验证，获取到预测模型和分类模型；通过预测模型完成对于晶体性质的预测，通过分类模型完成对于晶体性质的分类。本发明能够有效提高对于晶体性质的预测和分类精度，并且耗时少，具有工程实用价值，有助于实现精确的大规模晶体研究模拟，为新晶体材料的开发和研究提供了方法保障。

技术领域

本发明涉及晶体性质预测和分类技术，具体涉及一种基于注意力机制和晶体图卷积神经网络的晶体性质预测和分类方法。

背景技术

晶体性质的模拟通常是借助基于DFT(密度泛函理论)的第一性原理计算方法来实现，但是使用第一性原理筛选出具有理想属性的晶体材料非常的耗时，并且计算成本也不低。因此，如何实现晶体材料的大规模筛选成为了一个难题。随着计算机的发展，机器学习逐渐成为了学术领域的重要话题，人们也试着采用机器学习方法，进行大规模的晶体性质模拟。随着机器学习算法的不断优化，其模拟的精确度也在逐渐逼近第一性原理计算的结果。机器学习与晶体模拟的结合，有助于实现大规模晶体研究模拟，加速了新晶体材料的开发和研究，因此受到了人们的广泛关注。

使用机器学习的方法进行晶体性质的模拟难点在于：如何对任意尺寸晶体中的化学信息(如原子信息和晶体拓扑结构等)进行正确的编码并能与机器学习模型兼容，以及如何通过有限的可得数据训练出具有足够精准度的模型。

晶体图卷积神经网络是一种用于晶体性质研究的机器学习算法，从晶体中原子的连接直接学习晶体性质，提供了一种通用和可解释的晶体化学信息编码方式。基于图卷积(GCN)的晶体图卷积神经网络(简记为CGCNN)，可以预测晶体的各种物理性质。晶体结构图是用节点表示原子，边表示原子间的原子键的无向多图。在CGCNN中，节点i用一个特征向量v_i来表示，v_i中包含了原子i编码属性的特征。无向边(i,j)_k代表了原子i和j间第k个键，u(i,j)_k则表示原子i和j之间第k条原子键的特征向量。为了解决邻居之间相互作用强度的差异问题，CGCNN设计了一种新的卷积函数，

其中表示原子和原子键特征向量的连接。W_c^(t),W_s^(t),b^(t)分别是第t层的卷积权值矩阵，自权重矩阵和偏置，而g(·)代表层与层间的softplus激活函数。

但是，CGCNN方法作为一种快速且能大规模筛选晶体材料的机器学习方法，其预测精确度有限。这是由于CGCNN为了提高机器学习算法的效率，减小了网络复杂度，虽然提高了运行速率，但会造成预测精确度降低。且CGCNN方法默认运行周期(epochs)数为30，这能减少建立模型过程的耗时，可也影响了网络的拟合，同样会造成预测模型的精确度降低。

发明内容

发明目的：为了克服现有技术中存在的不足，提供一种基于注意力机制和晶体图卷积神经网络的晶体性质预测和分类方法，其为晶体图卷积神经网络设计一种新的卷积函数，可以提高图卷积中拓扑结构和节点特征融合的能力，从而提高计算的精确度，并通过引入新的归一化方法正则化深度图卷积网络，改善网络的拟合，以此建立出更好的模型，经过改进的新网络具有快速且能大规模筛选晶体材料的特点。

技术方案：为实现上述目的，本发明提供一种基于注意力机制和晶体图卷积神经网络的晶体性质预测和分类方法，包括如下步骤：

S1：获取晶体学信息文件(晶体结构数据)和DFT计算数据，并将其分为训练集、验证集和测试集；

S2：从晶体学信息文件中，提取晶体特征，将晶体特征输入神经网络，获取到神经网络输出；